論文の概要: AI-Driven Prediction of Cancer Pain Episodes: A Hybrid Decision Support Approach
- arxiv url: http://arxiv.org/abs/2512.16739v1
- Date: Thu, 18 Dec 2025 16:37:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.160155
- Title: AI-Driven Prediction of Cancer Pain Episodes: A Hybrid Decision Support Approach
- Title（参考訳）: 癌痛エピソードのAIによる予測:ハイブリッド意思決定支援アプローチ
- Authors: Yipeng Zhuang, Yifeng Guo, Yuewen Li, Yuheng Wu, Philip Leung-Ho Yu, Tingting Song, Zhiyong Wang, Kunzhong Zhou, Weifang Wang, Li Zhuang,
- Abstract要約: 肺癌患者は、しばしば突発的な痛みのエピソードを経験し、最大91%が時間的介入を必要とする。
入院48時間から72時間以内に痛みのエピソードを予測するハイブリッド機械学習と大規模言語モデルパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 13.495739988897588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lung cancer patients frequently experience breakthrough pain episodes, with up to 91% requiring timely intervention. To enable proactive pain management, we propose a hybrid machine learning and large language model pipeline that predicts pain episodes within 48 and 72 hours of hospitalization using both structured and unstructured electronic health record data. A retrospective cohort of 266 inpatients was analyzed, with features including demographics, tumor stage, vital signs, and WHO-tiered analgesic use. The machine learning module captured temporal medication trends, while the large language model interpreted ambiguous dosing records and free-text clinical notes. Integrating these modalities improved sensitivity and interpretability. Our framework achieved an accuracy of 0.874 (48h) and 0.917 (72h), with an improvement in sensitivity of 8.6% and 10.4% due to the augmentation of large language model. This hybrid approach offers a clinically interpretable and scalable tool for early pain episode forecasting, with potential to enhance treatment precision and optimize resource allocation in oncology care.
- Abstract（参考訳）: 肺癌患者は、しばしば突発的な痛みのエピソードを経験し、最大91%が時間的介入を必要とする。
そこで我々は,48時間から72時間以内に,構造化および非構造化の電子健康記録データを用いて痛みの発生を予測できるハイブリッド機械学習と大規模言語モデルパイプラインを提案する。
患者266名を対象に, 人口統計, 腫瘍ステージ, バイタルサイン, WHOレベルの鎮痛剤使用などの特徴を振り返りコホートで分析した。
機械学習モジュールは、時間的治療の傾向を捉え、大きな言語モデルはあいまいな投薬記録とフリーテキスト臨床ノートを解釈した。
これらのモダリティを統合することで、感度と解釈性が向上した。
フレームワークは0.874 (48h) と0.917 (72h) の精度を達成し, 言語モデルの拡張により感度が8.6%, 10.4%向上した。
このハイブリッドアプローチは、早期の痛みエピソード予測のための臨床的に解釈可能でスケーラブルなツールを提供し、治療精度を高め、腫瘍治療におけるリソース割り当てを最適化する可能性がある。
関連論文リスト
- A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Evaluating Spoken Language as a Biomarker for Automated Screening of Cognitive Impairment [37.40606157690235]
言語と言語の変化は、アルツハイマー病と関連する認知症を早期に予測できる。
音声言語からのADRDスクリーニングと重度予測のための機械学習手法の評価を行った。
リスク階層化と言語的特徴重要度分析は、予測の解釈可能性と臨床的有用性を高めた。
論文 参考訳（メタデータ） (2025-01-30T20:17:17Z) - Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling [2.466324275447403]
救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。
大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
論文 参考訳（メタデータ） (2025-01-21T15:41:20Z) - Development and prospective validation of a prostate cancer detection, grading, and workflow optimization system at an academic medical center [1.9729379339863824]
がん検出, グレーディング, IHC 注文症例のスクリーニングモデルを開発した。
タスク固有前立腺モデルの性能を汎用基礎モデルと比較した。
癌検出におけるタスク特異的モデルと基礎モデルの間に統計的に有意な差は認められなかった。
論文 参考訳（メタデータ） (2024-10-31T05:29:18Z) - Region-specific Risk Quantification for Interpretable Prognosis of COVID-19 [36.731054010197035]
新型コロナウイルス(COVID-19)のパンデミックは、世界的な公衆衛生を悪化させ、正確な診断と疾病対策の介入を必要とし、死亡率を下げている。
胸部X線画像(CXR)を用いて、新型コロナウイルスの予後に対する理解と信頼の向上を目的とした、解釈可能な深層生存予測モデルを提案する。
論文 参考訳（メタデータ） (2024-05-05T05:08:38Z) - Predicting Postoperative Nausea And Vomiting Using Machine Learning: A
Model Development and Validation Study [0.562479170374811]
全身麻酔下手術を施行した症例では,術後の吐き気・吐き気(PONV)が頻発する。
PONV予測ツールは、それぞれ84.0%と77.3%のケースで早期および遅延PONVを正確に予測できる。
論文 参考訳（メタデータ） (2023-12-02T09:51:49Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。